基于空间邻域融合提升时空预测：以秘鲁新冠 mobility 为例
机器学习
2026-02-26 v2
摘要
精准建模人类 mobility 对理解疫情扩散和部署及时干预措施至关重要。本文利用秘鲁全国数字接触追踪（DCT）应用在新冠疫情期间收集的大规模时空数据集，用于预测城市区域之间的 mobility 流。关键挑战在于，每小时的 mobility 计数在六边形网格单元之间存在空间稀疏性，这限制了常规时间序列模型的预测能力。为此，我们提出一种轻量且模型无关的空间邻域融合（SPN）技术，通过聚合其直接 H3 邻居的信号来增强每个单元格的特征。我们在三种预测基座（NLinear、PatchTST 和 K-U-Net）上评估了该策略，在 various historical input lengths 下均进行测试。实验结果表明，SPN 在预测性能上实现了持续的提升，测试 MSE 最高可降低 9.85%。我们的发现表明，对稀疏 mobility 信号进行空间平滑是实现疫情期间稳健时空预测的简单而有效的路径。
关键词
引用
@article{arxiv.2507.00031,
title = {Enhancing Spatio-Temporal Forecasting with Spatial Neighbourhood Fusion:A Case Study on COVID-19 Mobility in Peru},
author = {Chuan Li and Jiang You and Hassine Moungla and Vincent Gauthier and Miguel Nunez-del-Prado and Hugo Alatrista-Salas},
journal= {arXiv preprint arXiv:2507.00031},
year = {2026}
}